上图中case，从图中可以看出，今年前11周都比较平稳，第12周旅行时间突然上升，但只从今年信息中我们无法得知第12周这天是否是异常值，从而模型无法准确给出第13周的预测值，但从去年对应的13周的数据中可以发现，去年对应的时间在第12和13周都上升了，从而模型可以确定今年第13周大概率还是会继续升高（根据年度周期性），但使用历史平均值法给出的平均旅行时间则明显偏小。
评测结果该项目在某一周的case集合上的评测效果：
基线-历史平均值法的badcase率为11.0‰；
对照-基于TCN的方法的badcase率为10.1‰。
可以看出，本文所采用的方法相对基线恶劣badcase率下降幅度较大，说明引入年度周期性可以解决部分恶劣badcase。
小结本文将TCN模型进行工业化实践，帮助建模历史速度问题，并结合特征工程(提取动态、静态特征，引入年度周期性等)，成功的解决了现有模型的不足，并在实际应用中取得了不错的效果，为将来的时序性问题探索了一条可行的路径。对现有TCN模型框架所做改动较小，后续可进一步探索，针对特定问题做一些定制化的改进。